Diagramme d'équivalence
Un diagramme d'équivalence affiche les limites d'équivalence, l'intervalle de confiance pour l'équivalence, ainsi que la décision indiquant si vous pouvez affirmer l'existence d'une équivalence.
Interprétation
Utilisez le diagramme d'équivalence pour visualiser un récapitulatif graphique des résultats de test d'équivalence, ainsi que pour déterminer si vous pouvez affirmer l'existence d'une équivalence.
Comparez l'intervalle de confiance aux limites d'équivalence. Si l'intervalle de confiance se trouve entièrement entre les limites d'équivalence, vous pouvez affirmer que la moyenne de la population de test est équivalente à la moyenne de la population de référence. Si une partie de l'intervalle de confiance se trouve en dehors des limites d'équivalence, vous ne pouvez pas affirmer qu'il existe une équivalence.
Dans ces résultats, l'intervalle de confiance à 95 % se trouve complètement dans l'intervalle d'équivalence défini par les limites d'équivalence inférieure (LEI) et supérieure (LES). Vous pouvez donc en conclure que la moyenne de test équivaut à la moyenne de référence.
Histogramme
Un histogramme divise les valeurs des échantillons en plusieurs intervalles et représente l'effectif des valeurs contenues dans chaque intervalle par une barre.
Interprétation
Utilisez des histogrammes pour évaluer la forme et la dispersion des données. Les histogrammes sont plus adaptés lorsque l'effectif d'échantillon est supérieur à 20.
- Données asymétriques
-
Déterminez si vos données sont asymétriques.Lorsque les données sont asymétriques, la majorité d'entre elles sont situées en haut ou en bas du graphique. En général, l'asymétrie est plus facile à identifier avec un histogramme ou une boîte à moustaches.
Asymétrie à droite
Asymétrie vers la gauche
Par exemple, l'histogramme avec des données asymétriques à droite illustre des données salariales. De nombreux employés reçoivent un salaire relativement faible et de moins en moins d'employés reçoivent un salaire élevé. L'histogramme avec des données asymétriques à gauche représente des données de taux de défaillance. Quelques éléments rencontrent une défaillance tôt, tandis que pour un nombre croissant d'entre eux, la défaillance survient plus tard.
Les données très asymétriques peuvent avoir une incidence sur la validité des résultats de test si votre échantillon est petit (moins de 20 valeurs). Si vos données sont très asymétriques et que vous avez un petit échantillon, pensez éventuellement à augmenter l'effectif d'échantillon.
- Valeurs aberrantes
-
Les valeurs aberrantes, qui sont des points de données très éloignés de la majorité des autres données, peuvent avoir une incidence importante sur les résultats. Elles sont plus faciles à repérer sur une boîte à moustaches.
Sur un histogramme, des barres isolées à une extrémité suggèrent de possibles valeurs aberrantes.
Vous devez essayer de déterminer la cause de toutes les valeurs aberrantes. Corrigez les erreurs de mesure ou d’entrée des données. Supprimez les données associées à des causes spéciales et procédez à une nouvelle analyse. Pour plus d'informations sur les causes spéciales, reportez-vous à la rubrique Utilisation des cartes de contrôle pour détecter une variation due à des causes communes et une variation due à des causes spéciales.
Diagramme des valeurs individuelles
Un diagramme des valeurs individuelles présente les valeurs individuelles contenues dans l'échantillon d'une colonne horizontale. Chaque cercle représente une observation. Un diagramme des valeurs individuelles est particulièrement utile lorsque vous disposez de relativement peu d'observations et que vous souhaitez évaluer l'effet de chacune d'entre elles.
Interprétation
- Données asymétriques
-
Déterminez si vos données sont asymétriques.Lorsque les données sont asymétriques, la majorité d'entre elles sont situées en haut ou en bas du graphique. En général, l'asymétrie est plus facile à identifier avec un histogramme ou une boîte à moustaches.
Asymétrie à droite
Asymétrie vers la gauche
Par exemple, le diagramme des valeurs individuelles avec des données asymétriques à droite illustre des données salariales. De nombreux employés reçoivent un salaire relativement faible et de moins en moins d'employés reçoivent un salaire élevé. Le diagramme des valeurs individuelles avec des données asymétriques à gauche représente des données de taux de défaillance. Quelques éléments rencontrent une défaillance tôt, tandis que pour un nombre croissant d'entre eux, la défaillance survient plus tard.
Les données très asymétriques peuvent avoir une incidence sur la validité des résultats de test si votre échantillon est petit (moins de 20 valeurs). Si vos données sont très asymétriques et que vous avez un petit échantillon, pensez éventuellement à augmenter l'effectif d'échantillon.
- Valeurs aberrantes
-
Les valeurs aberrantes, qui sont des points de données très éloignés de la majorité des autres données, peuvent avoir une incidence importante sur les résultats. Elles sont plus faciles à repérer sur une boîte à moustaches.
Sur un diagramme des valeurs individuelles, les valeurs de données anormalement élevées ou faibles suggèrent de possibles valeurs aberrantes.
Vous devez essayer de déterminer la cause de toutes les valeurs aberrantes. Corrigez les erreurs de mesure ou d’entrée des données. Supprimez les données associées à des causes spéciales et procédez à une nouvelle analyse. Pour plus d'informations sur les causes spéciales, reportez-vous à la rubrique Utilisation des cartes de contrôle pour détecter une variation due à des causes communes et une variation due à des causes spéciales.
Boîte à moustaches
La boîte à moustaches constitue un récapitulatif graphique de la distribution de chaque échantillon, dont il indique la forme, la tendance centrale et la variabilité. Elle permet de comparer facilement les groupes.
Interprétation
Utilisez une boîte à moustaches pour examiner la dispersion des données et détecter d'éventuelles valeurs aberrantes. Les boîtes à moustaches sont plus adaptées lorsque l'effectif d'échantillon est supérieur à 20.
- Données asymétriques
-
Déterminez si vos données sont asymétriques.Lorsque les données sont asymétriques, la majorité d'entre elles sont situées en haut ou en bas du graphique. En général, l'asymétrie est plus facile à identifier avec un histogramme ou une boîte à moustaches.
Asymétrie à droite
Asymétrie vers la gauche
Par exemple, la boîte à moustaches avec des données asymétriques à droite illustre des données salariales. De nombreux employés reçoivent un salaire relativement faible et de moins en moins d'employés reçoivent un salaire élevé. La boîte à moustaches avec des données asymétriques à gauche représente des données de taux de défaillance. Quelques éléments rencontrent une défaillance tôt, tandis que pour un nombre croissant d'entre eux, la défaillance survient plus tard.
Les données très asymétriques peuvent avoir une incidence sur la validité des résultats de test si votre échantillon est petit (moins de 20 valeurs). Si vos données sont très asymétriques et que vous avez un petit échantillon, pensez éventuellement à augmenter l'effectif d'échantillon.
- Valeurs aberrantes
-
Les valeurs aberrantes, qui sont des points de données très éloignés de la majorité des autres données, peuvent avoir une incidence importante sur les résultats. Elles sont plus faciles à repérer sur une boîte à moustaches.
Sur une boîte à moustaches, les valeurs aberrantes sont indiquées par des astérisques (*).
Vous devez essayer de déterminer la cause de toutes les valeurs aberrantes. Corrigez les erreurs de mesure ou d’entrée des données. Supprimez les données associées à des causes spéciales et procédez à une nouvelle analyse. Pour plus d'informations sur les causes spéciales, reportez-vous à la rubrique Utilisation des cartes de contrôle pour détecter une variation due à des causes communes et une variation due à des causes spéciales.
- Egalité des variances (facultatif)
-
Comparez la dispersion des données.
Par défaut, le test d'équivalence estime que les variances pour chaque groupe ne sont pas égales. Toutefois, si vous avez sélectionné l'option Supposer les variances égales pour le test, comparez les graphiques de chaque groupe pour vous assurer que la dispersion des données est similaire. Si la dispersion diffère considérablement, considérez que les variances ne sont pas égales lorsque vous réalisez le test.
Remarque
Pour rechercher officiellement des variances égales, utilisez le test de 2 variances.
